[논문]빈-피킹을 위한 다관절 로봇 그리퍼의 관절 데이터를 이용한 물체 인식 기법

박종우; 박찬훈; 박동일; 김두형

doi:10.7735/ksmte.2016.25.6.522

문제 정의

인간 손의 동작 데이터를 이용하여 파지 모델을 생성할 경우에 인간 손의 지나친 복잡성으로 인하여 높은 비용과 더불어 복잡한 데이터의 수집에 어려움이 발생한다. 따라서 본 연구에서는 인간 손의 데이터 수집의 효율성을 높이기 위하여 인간 손이 가지는 동작 특성을 이해하는 과정을 진행하였다.
본 논문에서는 기존에 시각을 이용하여 빈-피킹을 하는 기술의 정확도 향상을 위하여 고가의 부가적인 센서를 사용하는 방법이 아닌 새로운 방향에서의 빈-피킹에 대해 접근하여 인간 손과 같이 복잡한 형태의 그리퍼를 사용하는 작업 시에 그리퍼의 자세 데이터를 이용하여 빈-피킹 대상이 되는 물체의 정보를 인식하는 방법에 대하여 제안한다. 이 방법은 부가적인 센서를 따로 추가할 필요 없이 빈-피킹 작업에 사용되는 그리퍼의 관절 데이터를 이용함으로써 비용절감의 효과를 기대할 수 있다.
본 논문에서는 복잡한 형상의 대표라고 할 수 있는 인간 손의 데이터를 수집하여 파지 모델을 수집하고 본 연구에서 제안한 물체 인식 알고리즘에 대한 검증을 수행하였다. 파지 형상을 이용한 물체 인식을 위해서는 먼저 파지 형상 인식에 사용될 파지 모델의 생성이 우선시된다.
본 논문에서는 빈-피킹 작업 시에 그리퍼의 관절 데이터를 이용하여 그리퍼의 자세 및 파지된 대상 물체의 크기를 추정하는 방법에 대하여 제안하고 검증하였다. 본 연구에서 제안한 방법은 빈-피킹에서 파지 자세와 물체 크기를 동시에 추정이 가능하다.
본 논문에서는 이러한 기술을 기반으로 하여 다관절 구조의 그리퍼를 사용하여 수행되는 빈-피킹 작업에서 나타나는 그리퍼의 관절 데이터를 이용하여 그리퍼의 형상과 파지 대상 물체의 크기를 인식하는 방법을 제안한다.
본 연구에서는 다양한 복잡한 관절 구조의 그리퍼들의 가장 기본이 된다고 볼 수 있는 인간 손의 관절 구조 데이터 및 파지 데이터를 이용하여 파지 데이터를 수집하여 모델을 생성하고 물체 인식 알고리즘에 대한 검증을 수행한다.
3은 각 관절의 이름과 위치를 나타낸다. 본 연구에서는 인간 손가락의 동작을 분석하여 모델을 만들고 빈-피킹 작업을 위한 물체 인식에 활용하기 위하여 인간 손가락의 구조를 로봇 D-H 파라미터로 재구성하여 데이터 분석에 사용하였다. Table 1과 Table 2는 각 손가락과 손바닥이 연결되는 부분을 기준으로 정의한 D-H 파라미터를 보여주며 Fig.
파지 형상의 분석과 합성을 위하여 생성한 PCA 공간상의 저차원의 파지 형상 데이터를 생성하였다. 본 연구에서는 파지 형상 합성뿐만 아니라 어떠한 파지 형상에 대한 관절 데이터가 주어졌을 경우에 파지 형상을 인식을 위하여 앞서 생성된 저차원의 파지 형상 데이터들을 이용하여 관절 공간상에서의 파지 모델을 생성하였다. 저차원의 공간에서 각 taxonomy별로 서로 다른 PCA 공간에 Gaussian 형태로 존재하는 파지 형상 데이터들을 이용하여 생성한 하나의 관절 공간에서의 파지 모델은 Gaussian mixture model 형태를 띠게 된다.

가설 설정

다. 엄지를 제외한 나머지 네 손가락의 abduction-adduction motion의 중심 : 엄지를 제외한 나머지 네 손가락에서의 MCP 관절의 움직임을 표현할 때 중지를 기준으로 수치적으로 표현하게 되며 따라서 중지의 abduction-adduction motion은 존재하지 않는 것으로 가정을 한다.

제안 방법

정확한 데이터 측정을 위하여 실험 참가자의 파지 형상 데이터를 수집하기 전에 데이터 글러브를 착용한 상태에서 calibration과정을 거친 후 손가락을 자유롭게 움직여 시뮬레이터를 통하여 calibration이 잘되었는지 확인 후에 파지 형상 데이터 수집을 시작하였다. 데이터 수집은 손으로 대상 물체를 쥐었을 경우의 자세 데이터들을 수집하였으며 반복으로 인한 효과를 최소한으로 줄이기 위하여 지름이 가장 작은 물체부터 가장 큰 물체까지를 1회씩 파지하며 데이터를 수집하였으며 이 과정을 총 10회 반복하였다. 또한 본 연구에서 데이터를 수집하여 분석하고자 하는 파지 형상이 여섯 가지 이므로 앞선 과정을 파지 형상 별로 반복하였다.
본 연구에서는 실제 로봇의 움직임이 아닌 인간의 움직임을 데이터화하여 파지 모델을 생성하고, 파지된 물체를 인식하는 방법을 검증하는 만큼 데이터 글러브의 불확실성을 고려하여 다양한 인간의 파지 형상 데이터를 수집하였다. 데이터를 수집하기에 앞서 인간 손의 파지 형상을 Fig. 6과 같은 taxonomy를 정의하여 분류하고 taxonomy 내에서 precision grasp에 해당하는 파지 형상에 대한 데이터만을 수집하였다.
데이터 수집은 손으로 대상 물체를 쥐었을 경우의 자세 데이터들을 수집하였으며 반복으로 인한 효과를 최소한으로 줄이기 위하여 지름이 가장 작은 물체부터 가장 큰 물체까지를 1회씩 파지하며 데이터를 수집하였으며 이 과정을 총 10회 반복하였다. 또한 본 연구에서 데이터를 수집하여 분석하고자 하는 파지 형상이 여섯 가지 이므로 앞선 과정을 파지 형상 별로 반복하였다. 파지 형상별 실험 진행 순서는 특별히 순서를 고정하지 않고 임의의 순서로 진행을 하였다.
본 논문에서 제안하는 방법은 복잡한 관절 데이터를 수집하여 그리퍼의 파지 모델을 생성하고, 생성된 모델을 이용하여 물체를 인식하게 된다. 이를 위하여 파지 형상 모델 생성을 위한 데이터 수집 과정과 수집된 데이터를 이용하여 파지 모델을 생성하는 과정이 부가적으로 필요하게 된다.
본 논문에서는 빈-피킹 작업 시에 그리퍼의 관절 데이터를 이용하여 그리퍼의 자세 및 파지된 대상 물체의 크기를 추정하는 방법에 대하여 제안하고 검증하였다. 본 연구에서 제안한 방법은 빈-피킹에서 파지 자세와 물체 크기를 동시에 추정이 가능하다. 파지 자세를 추정하는 알고리즘은 빈-피킹 작업에서 그리퍼가 작업 대상 물체를 정상적으로 파지를 하였는지를 판단할 수 있다.
이를 위하여 파지 형상 모델 생성을 위한 데이터 수집 과정과 수집된 데이터를 이용하여 파지 모델을 생성하는 과정이 부가적으로 필요하게 된다. 본 연구에서는 제안하는 방법을 검증하기 위하여 산업용 로봇에서 사용되는 그리퍼들의 근원이라고 볼 수 있으면서 가장 복잡한 형태의 그리퍼인 인간 손의 관절 데이터를 이용하여 데이터 수집과 검증을 수행하였다.
29명의 실험 참가자는 손의 크기에 따라서 세 개의 그룹으로 나누었으며, 각 그룹은 손이 작은 사람이 5명(남자 0명, 여자 5명), 중간 크기의 손을 가진 사람이 20명(남자 16명, 여자 4명) 그리고 손이 큰 사람이 4명(남자 4명, 여자 0명)으로 이루어져 있다. 실험 진행 전 실험에 사용되는 파지 형상들에 대해 간략한 설명을 통하여 수행한 파지 형상에 대해 전달을 하였다. Fig.
임의의 물체에 대하여 파지 시 나타나는 관절 데이터가 주어졌을 경우에 제안한 방법을 이용하여 주어진 파지 형상 인식 및 대상 물체의 파라미터 추정에 대한 실험을 수행하였다. 실험은 먼저 제안한 방법의 타당성 검증을 위하여 데이터 수집에 사용된 표준적인 형태의 물체를 이용한 실험을 진행한 후에 일반적인 물체에 대한 실험을 진행하였다.
나 레이저, 적외선 및 초음파 등을 이용한 3D 시각 센서 등을 이용하여 물체를 인식하고 인식한 물체의 위치 정보를 획득하게 된다. 이를 위해서 기존에 영상 인식 기술로 연구되었던 특징 영역을 추출하여 물체를 인식하는 방법, CAD 모델을 기반으로 한 물체 위치 정보 인식 방법, 물체의 외곽선을 인식하는 방법 등을 활용하는 방법들이 제안되었다. 하지만, 비전을 이용한 인식의 경우에 조명 등의 영향으로 정확한 인식이 어렵게 되며, 많은 양의 물체가 쌓여있는 경우에는 명확한 위치 정보 인식이 어렵게 된다.
이와 같은 방법을 통하여 생성된 기초적인 파지 자세들이 타당한 지를 검증하고 활용하기 위하여 각 taxonomy별 기초 파지 자세를 이용하여 반복 수집된 파지 형상 데이터들을 PCA 공간상에서 표현한다. 이때 PCA 공간상에서의 파지 형상 데이터들을 Gaussian model을 이용하여 하나의 파지 형상에 대하여 그 중심이 되는 형상 데이터를 찾는다.
본 연구에 사용한 데이터 글러브는 14개의 센서를 가지고 있다. 이와 같이 데이터 글러브를 이용하여 파지 형상을 분석을 하였고, 서로 다른 크기의 물체를 파지할 때의 데이터들을 앞서 정의한 grasp taxonomy의 자세별로 반복하여 데이터를 수집한다. 각 taxonomy별로 수집한 파지 시의 손가락 관절 데이터는 식 (13)을 이용하여 평균을 구하여 수집된 각 데이터들에서 평균값을 뺀 차이 값을 이용하여 손가락 움직임의 특성을 분석한다.
임의의 물체에 대하여 파지 시 나타나는 관절 데이터가 주어졌을 경우에 제안한 방법을 이용하여 주어진 파지 형상 인식 및 대상 물체의 파라미터 추정에 대한 실험을 수행하였다. 실험은 먼저 제안한 방법의 타당성 검증을 위하여 데이터 수집에 사용된 표준적인 형태의 물체를 이용한 실험을 진행한 후에 일반적인 물체에 대한 실험을 진행하였다.
물체는 특별히 제작된 물체가 아닌 볼펜, 금속관, 플라스틱 통, 음료수 캔, 커피보관 통, 박스 테이프 등의 일반적인 물체를 사용하였다. 정확한 데이터 측정을 위하여 실험 참가자의 파지 형상 데이터를 수집하기 전에 데이터 글러브를 착용한 상태에서 calibration과정을 거친 후 손가락을 자유롭게 움직여 시뮬레이터를 통하여 calibration이 잘되었는지 확인 후에 파지 형상 데이터 수집을 시작하였다. 데이터 수집은 손으로 대상 물체를 쥐었을 경우의 자세 데이터들을 수집하였으며 반복으로 인한 효과를 최소한으로 줄이기 위하여 지름이 가장 작은 물체부터 가장 큰 물체까지를 1회씩 파지하며 데이터를 수집하였으며 이 과정을 총 10회 반복하였다.
파지 대상 물체의 크기를 추정을 검증하기 위한 실험을 위하여 5.2 cm, 6.5 cm, 10 cm의 세 가지 실린더 형태의 물체를 본 연구에서 사용한 여섯 가지 파지 형상으로 파지했을 때의 자세 데이터를 이용하여 파지 대상 물체의 크기를 추정하였다. Table 5는 파지 대상 물체의 크기를 추정한 결과들의 평균값을 보여주고 있다.
파지 형상을 추정을 위하여 먼저 5.2 cm의 지름을 가지는 실린더 형태의 물체를 pinch 형태로 파지했을 경우의 파지 데이터가 주어졌을 때 파지 형상을 추정하였다. Table 4는 5.
대부분의 비전 기반의 외부 센서들은 그리퍼가 물체를 파지하기 전에 물체를 인식하고 그리퍼가 물체를 파지하게 되면 더 이상 파지된 물체에 대한 정보를 획득할 수 없게 된다. 하지만 본 논문에서 제안한 방법은 현재 파지를 수행한 그리퍼의 자세 데이터를 이용하여 파지된 형상을 판단하고 이를 통하여 현재 물체가 정상적으로 파지가 되었는지를 판단하는 것이 가능하며, 파지된 물체의 크기 정보를 추정 함으로써 현재 파지된 물체가 파지 대상 물체가 맞는지 해당 물체를 어떻게 조작을 할지 판단하는 기반이 된다.

대상 데이터

실험 참가자는 남성 20명 여성 9명이며 모두 20대 성인으로 이루어져 있으며 모든 참가자는 오른손을 이용하여 파지 형상 수집 실험에 참가하였다. 29명의 실험 참가자는 손의 크기에 따라서 세 개의 그룹으로 나누었으며, 각 그룹은 손이 작은 사람이 5명(남자 0명, 여자 5명), 중간 크기의 손을 가진 사람이 20명(남자 16명, 여자 4명) 그리고 손이 큰 사람이 4명(남자 4명, 여자 0명)으로 이루어져 있다. 실험 진행 전 실험에 사용되는 파지 형상들에 대해 간략한 설명을 통하여 수행한 파지 형상에 대해 전달을 하였다.
8에 나타난 총 8개의 물체를 사용하였다. 각 물체는 지름이 약 2~9 cm까지 서로 다른 크기를 가진 실린더 형태의 물체를 이용하였다. 물체는 특별히 제작된 물체가 아닌 볼펜, 금속관, 플라스틱 통, 음료수 캔, 커피보관 통, 박스 테이프 등의 일반적인 물체를 사용하였다.
다양한 파지에 대한 파지 형상 데이터를 수집하기 위하여 Fig. 8에 나타난 총 8개의 물체를 사용하였다. 각 물체는 지름이 약 2~9 cm까지 서로 다른 크기를 가진 실린더 형태의 물체를 이용하였다.
5에서 나타나는 것과 같이 총 14개의 optic sensor가 부착되어 있으며 12-bit A/D를 통하여 인간 관절 움직임 데이터를 수집하게 된다. 데이터 글러브에 장착되어있는 센서의 개수는 실제 인간 손가락이 가지는 자유도에 비해 적은 양이지만 앞서 분석하였던 인간 손이 나타내는 형상의 특징을 이용하게 되면 14개의 센서만으로도 충분히 사용가능한 데이터를 수집할 수 있다. Fig.
각 물체는 지름이 약 2~9 cm까지 서로 다른 크기를 가진 실린더 형태의 물체를 이용하였다. 물체는 특별히 제작된 물체가 아닌 볼펜, 금속관, 플라스틱 통, 음료수 캔, 커피보관 통, 박스 테이프 등의 일반적인 물체를 사용하였다. 정확한 데이터 측정을 위하여 실험 참가자의 파지 형상 데이터를 수집하기 전에 데이터 글러브를 착용한 상태에서 calibration과정을 거친 후 손가락을 자유롭게 움직여 시뮬레이터를 통하여 calibration이 잘되었는지 확인 후에 파지 형상 데이터 수집을 시작하였다.
이는 관절의 데이터를 측정하기 위하여 사용한 센서의 특성이나 설정한 환경에 따라서 변하게 된다. 본 연구에 사용한 데이터 글러브는 14개의 센서를 가지고 있다. 이와 같이 데이터 글러브를 이용하여 파지 형상을 분석을 하였고, 서로 다른 크기의 물체를 파지할 때의 데이터들을 앞서 정의한 grasp taxonomy의 자세별로 반복하여 데이터를 수집한다.
5 참조). 본 연구에서 사용된 데이터 글러브는 Fig. 5에서 나타나는 것과 같이 총 14개의 optic sensor가 부착되어 있으며 12-bit A/D를 통하여 인간 관절 움직임 데이터를 수집하게 된다. 데이터 글러브에 장착되어있는 센서의 개수는 실제 인간 손가락이 가지는 자유도에 비해 적은 양이지만 앞서 분석하였던 인간 손이 나타내는 형상의 특징을 이용하게 되면 14개의 센서만으로도 충분히 사용가능한 데이터를 수집할 수 있다.
이러한 인간 손이 가지는 관절 간의 구속조건과 제한조건에 대하여 다양한 연구가 진행되어 왔다. 본 연구에서는 Lin^[9]과 Ninomiya^[10]가 연구한 인간 손이 가지는 움직임의 특징을 활용하여 다음과 같은 인간 손가락의 움직임의 제한을 생성하여 인간 손가락의 관절 데이터를 수집하였다.
본 연구에서는 실제 로봇의 움직임이 아닌 인간의 움직임을 데이터화하여 파지 모델을 생성하고, 파지된 물체를 인식하는 방법을 검증하는 만큼 데이터 글러브의 불확실성을 고려하여 다양한 인간의 파지 형상 데이터를 수집하였다. 데이터를 수집하기에 앞서 인간 손의 파지 형상을 Fig.
이때 PCA 공간상에서의 파지 형상 데이터들을 Gaussian model을 이용하여 하나의 파지 형상에 대하여 그 중심이 되는 형상 데이터를 찾는다. 본 연구팀에서는 정의한 grasp taxonomy 중에서 precision grasp에 해당되는 여섯 가지 자세에 대하여 위의 과정을 거쳐 데이터 수집을 하였고, Fig. 11과 같이 각 파지 형상별 PCA 공간에서의 데이터를 얻었다. 이렇게 얻은 파지 공간에서의 Gaussian 영역은 각 파지 형상별 작업 영역을 보여주고 있다.
인간 손의 파지 형상 데이터를 위하여 총 29명이 인간 손의 파지 형상 데이터 수집 실험에 참가를 하였다. 실험 참가자는 남성 20명 여성 9명이며 모두 20대 성인으로 이루어져 있으며 모든 참가자는 오른손을 이용하여 파지 형상 수집 실험에 참가하였다. 29명의 실험 참가자는 손의 크기에 따라서 세 개의 그룹으로 나누었으며, 각 그룹은 손이 작은 사람이 5명(남자 0명, 여자 5명), 중간 크기의 손을 가진 사람이 20명(남자 16명, 여자 4명) 그리고 손이 큰 사람이 4명(남자 4명, 여자 0명)으로 이루어져 있다.
인간 손가락은 근육 모터의 구조 및 관절 구조에 의하여 모든 관절들이 독립적으로 움직이지 못하며 움직임에 제한이 존재하게 된다. 이러한 인간 손의 움직임을 분석하기 위하여 데이터 글러브를 사용하여 인간 손가락의 움직임을 수치화 하였는데, 본 연구에서 사용한 데이터 글러브는 Fig. 5에서 보이는 것처럼 모든 관절의 움직임을 측정할 수 있는 센서가 존재하는 것이 아니라 14개의 센서만이 존재한다.
파지 형상별 실험 진행 순서는 특별히 순서를 고정하지 않고 임의의 순서로 진행을 하였다. 이를 통하여 실험 참가자 1인에 대하여 각 파지 형상 별로 80개씩 여섯 가지 파지 형상에 대한 파지 형상 데이터를 수집하였다. 이렇게 획득된 인간 손의 관절 데이터는 하나의 벡터로써 다음 식처럼 표현할 수 있다.
인간 손의 파지 형상 데이터를 위하여 총 29명이 인간 손의 파지 형상 데이터 수집 실험에 참가를 하였다. 실험 참가자는 남성 20명 여성 9명이며 모두 20대 성인으로 이루어져 있으며 모든 참가자는 오른손을 이용하여 파지 형상 수집 실험에 참가하였다.
파지 형상의 분석과 합성을 위하여 생성한 PCA 공간상의 저차원의 파지 형상 데이터를 생성하였다. 본 연구에서는 파지 형상 합성뿐만 아니라 어떠한 파지 형상에 대한 관절 데이터가 주어졌을 경우에 파지 형상을 인식을 위하여 앞서 생성된 저차원의 파지 형상 데이터들을 이용하여 관절 공간상에서의 파지 모델을 생성하였다.

이론/모형

본 연구에서는 파지 모델 생성 및 물체 인식 실험을 위한 인간 손의 파지 시 손가락 형상 데이터를 수치적으로 얻기 위하여 5DT (Fifth Dimension Technologies)사에서 제작된 5DT Data Glove 14 Ultra 모델을 사용하였다 (Fig. 5 참조). 본 연구에서 사용된 데이터 글러브는 Fig.
이와 같은 방법을 통하여 생성된 기초적인 파지 자세들이 타당한 지를 검증하고 활용하기 위하여 각 taxonomy별 기초 파지 자세를 이용하여 반복 수집된 파지 형상 데이터들을 PCA 공간상에서 표현한다. 이때 PCA 공간상에서의 파지 형상 데이터들을 Gaussian model을 이용하여 하나의 파지 형상에 대하여 그 중심이 되는 형상 데이터를 찾는다. 본 연구팀에서는 정의한 grasp taxonomy 중에서 precision grasp에 해당되는 여섯 가지 자세에 대하여 위의 과정을 거쳐 데이터 수집을 하였고, Fig.

성능/효과

12의 (f)~(l)까지의 물체에 대하여 6가지 모든 grasp를 한 데이터가 주어졌을 경우 각 taxonomy별로 인식이 되는 확률 값을 표현한 것이다. 물체의 크기 추정의 경우에는 인간 손을 통하여 실험을 하여 데이터의 편차로 인하여 오차가 발생하지만 본 논문에서 제안하는 방법이 충분히 물체 인식과 물체 크기 인식이 가능함을 알 수 있다.
본 논문에서 제안한 빈-피킹의 성능 향상을 위한 방법은 단순히 대상 물체 추정뿐만 아니라 복잡한 형태의 관절 구조를 가진 로봇 그리퍼를 손쉽게 제어하는 방법론으로 확장 가능성이 있다. 향후 추가적인 연구를 통하여 로봇 그리퍼의 손쉬운 제어기법에 대한 방법론을 정립할 예정이다.
Table 5는 파지 대상 물체의 크기를 추정한 결과들의 평균값을 보여주고 있다. 위 결과를 보면 실제 물체와 큰 차이가 나지 않는 추정 결과를 얻을 수 있는 것을 확인할 수 있으며, 본 연구를 통하여 제안한 방법이 타당성이 있음을 확인할 수 있다.

후속연구

향후 추가적인 연구를 통하여 로봇 그리퍼의 손쉬운 제어기법에 대한 방법론을 정립할 예정이다. 더불어 연구를 확장하게 되면 단순한 그리퍼뿐만 아니라 현재 복잡한 수학적 연산을 통하여 제어를 수행하는 로봇의 전반적인 제어를 좀 더 손쉽게 수행하는 부분에 활용이 가능할 것이다.
본 논문에서 제안한 빈-피킹의 성능 향상을 위한 방법은 단순히 대상 물체 추정뿐만 아니라 복잡한 형태의 관절 구조를 가진 로봇 그리퍼를 손쉽게 제어하는 방법론으로 확장 가능성이 있다. 향후 추가적인 연구를 통하여 로봇 그리퍼의 손쉬운 제어기법에 대한 방법론을 정립할 예정이다. 더불어 연구를 확장하게 되면 단순한 그리퍼뿐만 아니라 현재 복잡한 수학적 연산을 통하여 제어를 수행하는 로봇의 전반적인 제어를 좀 더 손쉽게 수행하는 부분에 활용이 가능할 것이다.

핵심어	질문	논문에서 추출한 답변
	빈-피킹 기술은 무엇인가?	일반적인 벨트 생산 방식에서는 공정 작업 수행을 위하여 벨트를 통해서 공급되는 부품의 위치만을 추정하게 된다. 하지만 셀 생산 방식에서는 하나의 로봇이 하나의 완제품을 생산하기 위하여 다양한 부품을 사용하게 되면서 상자와 같은 곳에 무더기로 쌓여있는 부품들 중에서 하나를 인식하여 사용하는 빈-피킹(bin-picking) 기술이 필요하게 된다.
	로봇을 이용한 작업환경의 특징은 무엇인가?	로봇 기술이 발전되어감에 따라 다양한 산업현장에서 로봇의 역할이 커져가며, 로봇을 이용한 자동화 공정 역시 늘어나는 추세이다. 로봇을 이용한 작업환경은 실제 조립 등의 작업을 수행하는 로봇이 중심이 되며, 해당 작업을 수행하기 위하여 필요한 부품 등을 공급하는 시스템이 함께하게 된다. IT 산업의 발달로 인하여 제품이 다양화됨에 따라 과거의 컨베이어 벨트를 이용한 공정에서 셀 생산 방식이 늘어나면서 로봇에게 요구되는 작업 역시 하나의 작업을 하나의 로봇이 반복하는 형태가 아닌 하나의 로봇이 복잡하고 다양한 공정을 수행하여 하나의 완전한 제품을 만들 수 있는 기능이 요구되고 있다.
	기존의 빈-피킹 기술의 단점은 무엇인가?	이를 위해서 기존에 영상 인식 기술로 연구되었던 특징 영역을 추출하여 물체를 인식하는 방법, CAD 모델을 기반으로 한 물체 위치 정보 인식 방법, 물체의 외곽선을 인식하는 방법 등을 활용하는 방법들이 제안되었다. 하지만, 비전을 이용한 인식의 경우에 조명 등의 영향으로 정확한 인식이 어렵게 되며, 많은 양의 물체가 쌓여있는 경우에는 명확한 위치 정보 인식이 어렵게 된다. 이를 해결하기 위해서 스테레오 카메라와 같은 비전 센서와 더불어 레이저 센서 같은 추가적인 센서를 복수 사용하여 보정을 하지만 이러한 경우에는 높은 비용적 부담이 발생하게 되어 실제 현장에서 적용하기 어려운 점이 발생한다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 빈-피킹을 위한 다관절 로봇 그리퍼의 관절 데이터를 이용한 물체 인식 기법
Method of Object Identification Using Joint Data of Multi-Joint Robotic Gripper for Bin-picking 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 빈-피킹을 위한 다관절 로봇 그리퍼의 관절 데이터를 이용한 물체 인식 기법 Method of Object Identification Using Joint Data of Multi-Joint Robotic Gripper for Bin-picking 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

박찬훈 (19) 박동일 (12) 김두형 (19)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 빈-피킹을 위한 다관절 로봇 그리퍼의 관절 데이터를 이용한 물체 인식 기법
Method of Object Identification Using Joint Data of Multi-Joint Robotic Gripper for Bin-picking 원문보기

AI 본문요약
AI-Helper